전립선 병리 자동화: 딥러닝 기반 전립선암·그레이드·형태학 전반 검출 및 임상 보고 연동

본 논문은 전립선암(PCa) 병리학에서 가장 큰 병리학적 부담 중 하나인 전립선절제술 표본의 대규모 주석 작업을 딥러닝으로 자동화하고, 이를 기존의 cMDX(XML 기반 임상 보고서) 시스템에 직접 연결하는 전 과정을 제시한다. 연구팀은 2,121장의 H&E 염색 슬라이드를 수집했으며, 이들은 Whole‑Mount(전립선 전체 절편), Whole‑Slide(부분 절편), Tissue‑Micro‑Array(TMA), 인터넷 공개 이미지 등 네 가지 출처와 다양한 스캐너, 색상 프로토콜, 촬영 시점, 기관 차이를 포함한다. 이러한 데이터 이질성은 모델이 실제 임상 현장에서 얼마나 일반화될 수 있는지를 평가하는 데 핵심적인 역할을 한다. 모델 설계는 기존의 대형 네트워크(VGG‑16, ResNet‑50, Inception‑V3 등) 대신 PlexusNet이라는 맞춤형 경량 CNN을 채택했다. PlexusNet은 VGG 계열의 구조를 기반으로 하면서 파라미터 수를 크게 줄여 GPU 메모리와 연산량을 최소화했으며, 전이학습을 통해 ImageNet 사전 학습 가중치를 초기 레이어에 적용하고 후반부를 전립선 병리 이미지에 맞게 미세조정했다. 이는 제한된 컴퓨팅 자원에서도 높은 정확도를 유지하도록 설계된 전략이다. 성능 평가는 다중 지표와 다중 데이터셋을 활용했다. 전립선암 검출에서는 내부·외부 데이터셋 모두에서 슬라이드 수준 AUC‑ROC가 0.954‑0.957, Brier score가 0.046‑0.134에 이르렀으며, 슬라이드당 99%를 정확히 분류했다. 양성 예측값(PPV) 99.2%, 음성 예측값(NPV) 95.8%를 기록했고, TPR은 99.7%이며 FPR은 0.785%에 불과했다. Gleason 패턴 3과 4는 외부 ISUP 데이터셋에서 각각 AUC 0.937, F1 0.90/0.83을 달성했으며, 패턴 5는 패치 수준 F1 0.90, 케이스 수준 TPR 91.6%를 보였다. 형태학 검출에서는 크리브리포어( AUC 0.928, TPR 93.6%, F1 0.706)와 덕탈( AUC 0.870, TPR 72.7%, F1 0.956) 모두 임상적으로 의미 있는 수준을 유지했다. 종양 부피 추정에서는 실제 주석과 예측 부피 간 결정계수 R² 0.987, 평균 차이 –1.08% (95% CI –1.44~0.72) 로 통계적으로 유의미한 차이가 없었다. 임상 적용 측면에서는 cMDX 프레임워크와 연동해 자동 주석을 생성하고, 이를 웹 기반 뷰어에 시각화하였다. 55건의 실제 전립선절제술 케이스에 대해 병리학자가 검토한 결과, 모든 종양 병변이 정확히 탐지되었으며, 오탐은 주로 사정관 조직을 종양으로 오인한 4건에 국한되었다. 자동 주석 파일 55개는 총 36.9 GB에 불과해 원본 gigapixel 이미지(1.4 TB) 대비 저장 효율이 크게 향상되었다. 또한, 병리학자는 cMDX 뷰어를 통해 자동 생성된 병변 경계와 Gleason 패턴, 형태학 정보를 확인하고, 필요 시 직접 수정·보완할 수 있다. 논문의 주요 기여는 다음과 같다. 첫째, 다양한 출처와 품질의 전립선 병리 이미지를 포괄적으로 활용해 모델의 일반화 가능성을 입증했다. 둘째, 경량화된 맞춤형 CNN(PlexusNet)을 통해 제한된 인프라에서도 높은 성능을 달성했다. 셋째, 자동 주석을 기존 임상 보고서 시스템(cMDX)과 직접 연동함으로써 병리학자의 작업 부담을 실질적으로 감소시켰다. 한계점으로는 라벨링이 소수의 전문가에 의해 수행돼 다기관·다전문가 간 합의 라벨이 부족한 점, 덕탈 형태학 검출의 TPR이 72.7%에 머물러 민감도가 다소 낮은 점, 그리고 사정관 등 비암 조직을 오인할 가능성이 존재한다는 점을 들었다. 향후 연구에서는 다중 라벨링 데이터베이스 구축, 앙상블 모델 도입, 지속적인 온라인 학습을 통한 모델 업데이트, 그리고 임상 현장에서 실시간 피드백을 받아 모델을 개선하는 방안을 제시한다. 결론적으로, 본 연구는 전립선암 병리학에서 딥러닝 기반 자동 주석이 실제 임상 워크플로우에 통합될 수 있음을 실증적으로 보여주며, 데이터 이질성, 경량 모델 설계, 임상 보고서 연동이라는 세 축을 성공적으로 결합한 점이 큰 의의이다.